CN117669992A - 面向智能仓储多移动机器人实时两阶段调度方法及系统 - Google Patents
面向智能仓储多移动机器人实时两阶段调度方法及系统 Download PDFInfo
- Publication number
- CN117669992A CN117669992A CN202410117249.4A CN202410117249A CN117669992A CN 117669992 A CN117669992 A CN 117669992A CN 202410117249 A CN202410117249 A CN 202410117249A CN 117669992 A CN117669992 A CN 117669992A
- Authority
- CN
- China
- Prior art keywords
- task
- robot
- time
- tasks
- auction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 100
- 230000002068 genetic effect Effects 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000005265 energy consumption Methods 0.000 claims description 28
- 239000003016 pheromone Substances 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 11
- 238000013178 mathematical model Methods 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 8
- 239000012634 fragment Substances 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003780 insertion Methods 0.000 claims description 5
- 230000037431 insertion Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 230000008020 evaporation Effects 0.000 claims description 4
- 238000001704 evaporation Methods 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- General Factory Administration (AREA)
Abstract
本发明公开了一种面向智能仓储多移动机器人实时两阶段调度方法及系统,包括:建立多个机器人任务分配约束模型;根据建立的模型使用分层蚁群遗传算法进行预分配求解,得到各个机器人的任务执行序列;使用拍卖算法进行任务动态重分配,调节任务平衡。本发明充分考虑了任务之间的关联性和动态变化,通过分层遗传蚁群算法和拍卖算法的结合,实现了任务的合理分配和动态调整。这一创新性的方法更切合实际仓储工作场景中的需求,能够更好地应对复杂多变的情况,提高仓储运营的效率和质量。
Description
技术领域
本发明属于多移动机器人调度技术领域,本发明涉及一种面向智能仓储多移动机器人实时两阶段调度方法及系统。
背景技术
智能仓储作为现代工业生产的重要组成部分,对于提升生产效率、降低成本具有重要意义。智能仓储的搭建需要可靠的多移动机器人调度技术,许多企业在一些任务复杂度高或任务数量大的应用场合中,通过引用各种功能不一的多移动机器人,以机器人群体作业的形式替换了传统生产过程中简单重复的人力劳动环节,不仅减少了企业人力资源的消耗,而且还提高了企业生产的效率与质量。所以多移动机器人调度技术是近年来主要的研究热点。
多移动机器人调度一般以多个可独立执行任务的移动机器人为对象,能将多个任务合理地分配给每个机器人,使各个移动机器人根据自身任务规划路径,共同完成所有任务。任务分配方案的优劣决定了仓储运行的效率,合适的分配方案不仅可以实现机器人的高效运行,还应该具备处理动态情形的能力。
传统的调度方法主要关注路径距离或时间成本等优化目标,但在仓储运营中,任务的关联性以及动态变化对于调度方案的影响远比这些因素复杂。面向任务关联性强、动态性强的智能仓储场景,单纯采用传统的群智能算法求解分配模型难以处理动态情形,只使用分布式的算法又无法考虑全局信息,得到全局最优解。此外,智能仓储中任务可能因为突发情况、需求变化等原因而频繁发生变化,这进一步增加了调度系统的复杂性。而传统调度方法往往缺乏对于动态变化的灵活应对能力,因此可能在实际应用中效果不佳。
申请号2023105038131公开了一种多机器人调度方法及装置,该方法借鉴于商品拍卖机制,通过不同机器人对目标点进行竞价,分配合理的任务点,同时通过并行计算的方式,通过禁忌搜索算法合理排布任务执行顺序,提高系统执行效率。该方法直接通过拍卖算法进行调度,没有进行分阶段调度,缺乏对于动态变化的灵活应对能力。
发明内容
本发明的目的在于提供一种面向智能仓储多移动机器人实时两阶段调度方法及系统,充分考虑了任务之间的关联性和动态变化,通过分层遗传蚁群算法和拍卖算法的结合,实现了任务的合理分配和动态调整。这一创新性的方法更切合实际仓储工作场景中的需求,能够更好地应对复杂多变的情况,提高仓储运营的效率和质量。
实现本发明目的的技术解决方案为:
一种面向智能仓储多移动机器人实时两阶段调度方法,包括以下步骤:
S01:建立多个机器人任务分配约束模型;
S02:根据建立的模型使用分层蚁群遗传算法进行预分配求解,得到各个机器人的任务执行序列;
S03:使用拍卖算法进行任务动态重分配,调节任务平衡。
优选的技术方案中,所述步骤S01中建立的任务分配约束模型为以最小完工时间、均衡机器人路径时间、最小化总能耗的多目标模型。
优选的技术方案中,所述任务分配约束模型为:
目标函数:
其中,为最小化执行完所有任务的系统耗时,即耗时最长的机器人所用时长,其中/>为/>号机器人执行其分配任务的总运输时间,其中/>为机器人个数;/>为各机器人路径时长的标准差,优化以均衡所有机器人执行任务所用的时长;/>为最小化所有机器人任务执行的总能耗,其中/>为/>号机器人消耗的总能量;
约束条件:
其中,为决策变量,如果任务/>分配给机器人/>时/>,否则/>;/>表示所有机器人执行其分配任务的总运输时间的平均数;/>表示/>号机器人搬运/>号任务货架至拣货台所花费的时间,由负载搬运时间/>、空载搬运时间/>和机器人在拣选台等待的固定时长/>组成,其中/>表示机器人负载时的速度,/>为机器人空载时的速度,/>表示机器人从/>号任务货架至拣选台的路径,/>为任务总数,/>表示机器人从拣选台至/>号任务货架的路径,/>表示/>号机器人此时所在位置与/>号任务的距离;/>为/>号机器人此次任务的充电次数,/>为每个机器人的固定充电时长;/>为/>号机器人消耗的总能量,/>为机器人空载运输消耗能量,/>为机器人负载运输消耗能量,其中/>为机器人空载能量能耗系数,/>为机器人负载能量消耗系数,/>为/>号任务货架的重量;/>表示/>号机器人的剩余能量;/>表示/>号机器人的载重限制。
优选的技术方案中,所述步骤S02中使用分层蚁群遗传算法进行预分配求解,包括:
将预分配问题分为上下两层,分别用遗传算法和蚁群算法求解,在上层使用遗传算法计算要搜索的解空间,即确定每个移动机器人的任务点集;
在下层的蚁群优化算法用于搜索每个解空间的最优解,即搜索每个机器人的最优任务路径,通过重复上下层操作,获得整个系统的最优解,实现多机器人多任务的预分配。
优选的技术方案中,所述步骤S02中得到各个机器人的任务执行序列的方法包括:
S21:输入个需搬运任务的编号及对应坐标,/>个机器人的编号及其坐标,计算得到各任务点及机器人起始点距离矩阵,开始算法迭代计算;
S22:设置遗传算法迭代次数和种群数量,对任务集合进行自然数编码,编码长度为任务点个数,即;对分配给各机器人的任务集断点进行自然数编码,编码长度为机器人个数减1,即/>,解码后得到各机器人的任务点集合,初始随机生成一组任务集合;
S23:对每个机器人的任务集合使用下层的蚁群算法计算每组任务的最优顺序,首先给每一只蚂蚁生成一个路径表,将机器人起始点放入路径表起点,根据转移概率计算前往其他任务点的选择概率,在时刻,蚂蚁/>从任务点/>转移到任务点/>的概率为:
其中,为时刻/>任务点/>,/>间的信息素,/>为时刻/>任务点/>,/>间的启发式因子,/>,/>分别表示信息素和启发式因子的相对重要程度,/>即为任务点/>,/>间的距离,/>为存放所有任务点的禁忌表,/>为此机器人的任务集中点个数;
根据转移概率使用轮盘赌的方法从机器人的任务点集合中选取下一个要前往的任务点,重复蚂蚁转移操作,直至任务集中所有任务点均加入路径表;
计算所有蚂蚁路径表中路径长度,选取最短的路径存储,更新路径上的信息素:
其中,表示路径上信息素的蒸发系数,/>为常数,/>表示第/>只蚂蚁在本次周游中所经过的路径长度;
蚁群算法迭代至设置最大次数,得到每个机器人的最短任务集路径;
S24:遗传算法的适应度函数由建立数学模型的目标函数映射得到,采用权重系数法对三个目标函数进行加权,适应度函数为:
其中,、/>、/>均为常数,/>,计算得到机器人执行任务所用时间,机器人的能量消耗;
S25:从当前种群中随机选择数量一定的个体,计算个体适应度,保留适应度最强的个体遗传给下一代种群,锦标赛选择出种群中消耗时间较短的精英个体作为父代,并保留其中断点基因;
采用顺序交叉方法,对任意一对父代A1、A2,从父代A1编码中任意位置选取一个片段,在子代B1相对应的位置进行插入,B1的其他位置编码从父代A2的编码中按顺序选取填充,子代B2的编码获取方式同B1一致,对于任务分配问题,交叉即为交换总任务集中任务点在编码中的位置,任务集断点编码采用规则内随机生成的方式;
随机选取种群中的个体,对编码染色体任意两个位置进行交换操作,得到全新的染色体个体,对于机器人的任务分配问题,即随机交换两个机器人任务集中的任务点;
S26:重复步骤S23至步骤S25,直至达到设置的最大算法迭代次数,输出每个机器人的任务序列,得到每个机器人所要执行的任务集及执行任务的顺序,即得到决策变量。
优选的技术方案中,所述步骤S03调节任务平衡的方法包括:
S31:在机器人执行各自的任务时,实时跟踪各个机器人任务执行的状态,计算其剩余任务的预计执行时长,即计算最长执行时长的机器人任务时长和最短执行时长的机器人任务时长的差值,当达到设定阈值时,将进入拍卖环节;
S32:拍卖者发出任务信息,最长执行时长的机器人任务时长的机器人遍历除当前执行任务外的其他所有任务,每次取出一个,得到遍历任务后的个时间集,将自身的每个任务都取出拍卖;其中/>为剩余任务个数;
S33:竞拍者出价,其余个机器人将拍卖的任务插入自身任务序列,计算插入任意两个任务点之间之后的执行时长,取最小执行时长作为出价,/>个拍卖任务得到/>个出价,/>个机器人即得到/>个时长集;
S34:将个时长集中的出价最小值的机器人作为拍得者,并得到任务插入自身任务序列的位置;
S35:对拍卖前后的最长总任务时长机器人的任务时长进行比较,如果拍卖后最长总任务时长机器人的任务时长小,拍卖成立,更新拍卖者和拍得者的任务序列;否则拍卖不成立,机器人继续执行其原来任务集,动态跟踪机器人执行情况,动态变化达到阈值时再进入拍卖环节。
优选的技术方案中,所述步骤S03中还包括:
当包含个任务多余订单需要插入到正在执行的任务序列中,/>个任务增加至,使用拍卖算法将插入的/>个任务逐个拍卖,执行步骤S33-S35,所有机器人出价竞拍,出价最低者得到任务插入自身任务序列,直至所有任务被分配完毕,机器人更新任务集;
当机器人故障或无能力执行剩余任务,将此机器人的剩余全部任务取出逐个拍卖,其余个机器人竞拍故障机器人的任务集,将故障机器人的任务分配给其余机器人。
优选的技术方案中,所述步骤S03还包括:
当取消订单时,将对应订单里的个任务从机器人的任务队列中剔除,更新剔除订单任务的机器人任务集/>为/>,判断是否达到设定阈值,如果超过设定阈值,将进入拍卖环节,对任务进行平衡分配;如果未达到阈值,机器人继续执行各自任务集。
本发明还公开了一种面向智能仓储多移动机器人实时两阶段调度系统,包括:
任务分配模型构建模块,建立多个机器人任务分配约束模型;
静态预分配模块,根据建立的模型使用分层蚁群遗传算法进行预分配求解,得到各个机器人的任务执行序列;
动态重规划模块,使用拍卖算法进行任务动态重分配,调节任务平衡。
本发明又公开了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述的面向智能仓储多移动机器人实时两阶段调度方法。
本发明与现有技术相比,其显著优点为:
在订单输入时根据建立的数学模型,使用分层蚁群遗传算法进行预分配求解,可以得到各个机器人的任务执行序列。各个机器人接收到自身的任务序列后,会按照任务序列导航执行任务,控制中心实时跟踪机器人任务执行的状态。此时进入重调度阶段,重调度阶段使用拍卖算法进行任务动态重分配,本发明充分考虑了任务之间的关联性和动态变化,通过分层遗传蚁群算法和拍卖算法的结合,实现了任务的合理分配和动态调整。这一创新性的方法更切合实际仓储工作场景中的需求,能够更好地应对复杂多变的情况,可以实时调节任务平衡,处理插单、退单、机器人故障等动态突发情形,提高仓储运营的效率和质量。
附图说明
图1为多移动机器人实时两阶段调度策略结构图;
图2为分层遗传蚁群算法求解总体运输时间最短分配方案的具体步骤流程图;
图3为分层遗传蚁群算法上下层结构图;
图4为基于拍卖算法的任务动态重分配流程图;
图5A-图5B为分层遗传蚁群算法求解分配方案示意图,其中,图5A为任务点和机器人起始点分布图;图5B为分配方案路径图;
图6A-图6C为实体多机器人系统导航执行任务示意图;其中,图6A为实体场景示意图;图6B为SLAM地图及录入的机器人与任务货架点示意图;图6C为rviz可视化工具下机器人实际导航运行可视化。
具体实施方式
本发明的原理是:首先建立以最小完工时间、均衡机器人路径时间、最小化总能耗的多目标模型。在此基础上,本发明所涉及的技术将调度问题分为静态预分配阶段与动态重规划阶段。在静态预分配阶段,使用分层蚁群遗传算法进行预分配求解,可以得到各个机器人的任务执行序列。在动态重规划阶段,使用拍卖算法进行任务动态重分配,可以实时调节任务平衡,处理插单、退单、机器人故障等动态突发情形。
实施例1:
如图1所示,一种面向智能仓储多移动机器人实时两阶段调度方法,包括以下步骤:
S01:建立多个机器人任务分配约束模型;
S02:根据建立的模型使用分层蚁群遗传算法进行预分配求解,得到各个机器人的任务执行序列;
S03:使用拍卖算法进行任务动态重分配,调节任务平衡。
一较佳的实施例中,步骤S01中建立的任务分配约束模型为以最小完工时间、均衡机器人路径时间、最小化总能耗的多目标模型。
具体的,任务分配约束模型为:
目标函数:
其中,为最小化执行完所有任务的系统耗时,即耗时最长的机器人所用时长,其中/>为/>号机器人执行其分配任务的总运输时间,其中/>为机器人个数;/>为各机器人路径时长的标准差,优化以均衡所有机器人执行任务所用的时长;/>为最小化所有机器人任务执行的总能耗,其中/>为/>号机器人消耗的总能量;
约束条件:
其中,为决策变量,如果任务/>分配给机器人/>时/>,否则/>;/>表示所有机器人执行其分配任务的总运输时间的平均数;/>表示/>号机器人搬运/>号任务货架至拣货台所花费的时间,由负载搬运时间/>、空载搬运时间/>和机器人在拣选台等待的固定时长/>组成,其中/>表示机器人负载时的速度,/>为机器人空载时的速度,/>表示机器人从/>号任务货架至拣选台的路径,/>为任务总数,/>表示机器人从拣选台至/>号任务货架的路径,/>表示/>号机器人此时所在位置与/>号任务的距离;/>为/>号机器人此次任务的充电次数,/>为每个机器人的固定充电时长;/>为/>号机器人消耗的总能量,/>为机器人空载运输消耗能量,/>为机器人负载运输消耗能量,其中/>为机器人空载能量能耗系数,/>为机器人负载能量消耗系数,/>为/>号任务货架的重量;/>表示/>号机器人的剩余能量;/>表示/>号机器人的载重限制。
一较佳的实施例中,如图2、图3所示,步骤S02中使用分层蚁群遗传算法进行预分配求解,包括:
将预分配问题分为上下两层,分别用遗传算法和蚁群算法求解,在上层使用遗传算法计算要搜索的解空间,即确定每个移动机器人的任务点集;
在下层的蚁群优化算法用于搜索每个解空间的最优解,即搜索每个机器人的最优任务路径,通过重复上下层操作,获得整个系统的最优解,实现多机器人多任务的预分配。
具体的,得到各个机器人的任务执行序列的方法包括:
S21:输入个需搬运任务的编号及对应坐标,/>个机器人的编号及其坐标,计算得到各任务点及机器人起始点距离矩阵,开始算法迭代计算;
S22:设置遗传算法迭代次数和种群数量,对任务集合进行自然数编码,编码长度为任务点个数,即;对分配给各机器人的任务集断点进行自然数编码,编码长度为机器人个数减1,即/>,解码后得到各机器人的任务点集合,初始随机生成一组任务集合;
S23:对每个机器人的任务集合使用下层的蚁群算法计算每组任务的最优顺序,首先给每一只蚂蚁生成一个路径表,将机器人起始点放入路径表起点,根据转移概率计算前往其他任务点的选择概率,在时刻,蚂蚁/>从任务点/>转移到任务点/>的概率为:
其中,为时刻/>任务点/>,/>间的信息素,/>为时刻/>任务点/>,/>间的启发式因子,/>,/>分别表示信息素和启发式因子的相对重要程度,/>即为任务点/>,/>间的距离,/>为存放所有任务点的禁忌表,/>为此机器人的任务集中点个数;
根据转移概率使用轮盘赌的方法从机器人的任务点集合中选取下一个要前往的任务点,重复蚂蚁转移操作,直至任务集中所有任务点均加入路径表;
计算所有蚂蚁路径表中路径长度,选取最短的路径存储,更新路径上的信息素:
其中,表示路径上信息素的蒸发系数,/>为常数,/>表示第/>只蚂蚁在本次周游中所经过的路径长度;
蚁群算法迭代至设置最大次数,得到每个机器人的最短任务集路径;
S24:遗传算法的适应度函数由建立数学模型的目标函数映射得到,采用权重系数法对三个目标函数进行加权,适应度函数为:
其中,、/>、/>均为常数,/>,计算得到机器人执行任务所用时间,机器人的能量消耗;
S25:从当前种群中随机选择数量一定的个体,计算个体适应度,保留适应度最强的个体遗传给下一代种群,锦标赛选择出种群中消耗时间较短的精英个体作为父代,并保留其中断点基因;
采用顺序交叉方法,对任意一对父代A1、A2,从父代A1编码中任意位置选取一个片段,在子代B1相对应的位置进行插入,B1的其他位置编码从父代A2的编码中按顺序选取填充,子代B2的编码获取方式同B1一致,对于任务分配问题,交叉即为交换总任务集中任务点在编码中的位置,任务集断点编码采用规则内随机生成的方式;
随机选取种群中的个体,对编码染色体任意两个位置进行交换操作,得到全新的染色体个体,对于机器人的任务分配问题,即随机交换两个机器人任务集中的任务点;
S26:重复步骤S23至步骤S25,直至达到设置的最大算法迭代次数,输出每个机器人的任务序列,得到每个机器人所要执行的任务集及执行任务的顺序,即得到决策变量。
一较佳的实施例中,步骤S03调节任务平衡的方法包括:
S31:在机器人执行各自的任务时,实时跟踪各个机器人任务执行的状态,计算其剩余任务的预计执行时长,即计算最长执行时长的机器人任务时长和最短执行时长的机器人任务时长的差值,当达到设定阈值时,将进入拍卖环节;
S32:拍卖者发出任务信息,最长执行时长的机器人任务时长的机器人遍历除当前执行任务外的其他所有任务,每次取出一个,得到遍历任务后的个时间集,将自身的每个任务都取出拍卖;其中/>为剩余任务个数;
S33:竞拍者出价,其余个机器人将拍卖的任务插入自身任务序列,计算插入任意两个任务点之间之后的执行时长,取最小执行时长作为出价,/>个拍卖任务得到/>个出价,/>个机器人即得到/>个时长集;
S34:将个时长集中的出价最小值的机器人作为拍得者,并得到任务插入自身任务序列的位置;
S35:对拍卖前后的最长总任务时长机器人的任务时长进行比较,如果拍卖后最长总任务时长机器人的任务时长小,拍卖成立,更新拍卖者和拍得者的任务序列;否则拍卖不成立,机器人继续执行其原来任务集,动态跟踪机器人执行情况,动态变化达到阈值时再进入拍卖环节。
一较佳的实施例中,步骤S03中还包括:
当包含个任务多余订单需要插入到正在执行的任务序列中,/>个任务增加至,使用拍卖算法将插入的/>个任务逐个拍卖,执行步骤S33-S35,所有机器人出价竞拍,出价最低者得到任务插入自身任务序列,直至所有任务被分配完毕,机器人更新任务集;
当机器人故障或无能力执行剩余任务,将此机器人的剩余全部任务取出逐个拍卖,其余个机器人竞拍故障机器人的任务集,将故障机器人的任务分配给其余机器人。
一较佳的实施例中,步骤S03还包括:
当取消订单时,将对应订单里的个任务从机器人的任务队列中剔除,更新剔除订单任务的机器人任务集/>为/>,判断是否达到设定阈值,即进行平衡分配的阈值,也就是可容忍的最长总任务时长的机器人与最短总任务时长的机器人的任务时间差。如果超过设定阈值,将进入拍卖环节,对任务进行平衡分配;如果未达到阈值,机器人继续执行各自任务集。
另一实施例中,一种计算机存储介质,其上存储有计算机程序,所述计算机程序被执行时实现上述的面向智能仓储多移动机器人实时两阶段调度方法。
又一实施例中,一种面向智能仓储多移动机器人实时两阶段调度系统,包括:
任务分配模型构建模块,建立多个机器人任务分配约束模型;
静态预分配模块,根据建立的模型使用分层蚁群遗传算法进行预分配求解,得到各个机器人的任务执行序列;
动态重规划模块,使用拍卖算法进行任务动态重分配,调节任务平衡。
具体的,下面以一较佳的实施例为例对面向智能仓储多移动机器人实时两阶段调度系统的工作流程说明如下:
1、仓储多机器人任务分配数学模型:
建立机器人任务分配约束模型是实现机器人任务合理分配的前提,传统约束模型的优化目标多为机器人所用的总路程或最大完工时间。
根据现实需求设立三个优化目标:1)最大完工时间,优化最大完工时间是优化执行本批次任务的时间成本,仓储环境中任务执行的时间效率最为重要。所发明优先考虑优化最大完工时间,将其设为第一个优化目标。2)均衡机器人路径时间,为平衡各机器人的任务执行时长,将均衡所有机器人执行任务所用的时长作为第二个优化目标。3)总能耗,优化总路程只是优化机器人行驶的路程,减少路径成本。单纯的计算路径无法体现机器人能量的消耗,载重和空载机器人行驶相同路径所消耗的能量有所不同,我们选取最小化所有机器人任务执行的总能耗作为第三个目标函数,每个机器人给予能耗限制并计入其充电时长。
考虑到调度系统的复杂性,本发明在任务分配环节做出如下假设:
(1)初始时刻,所有机器人空闲并停靠于机器人充电区的不同位置。
(2)货架重量均小于机器人的载重。
(3)订单中的商品分布在各个货架,不存在缺货情况。
(4)机器人在拣选台等待拣选时间固定。
(5)机器人移动速度恒定。
目标函数:
(1)
(2)
(3)
约束条件:
(4)
(5)
(6)
(7)
(8)
(9)
(10)
(11)
在上述模型中,(1)式为最小化执行完所有任务的系统耗时,即耗时最长的机器人所用时长,其中为/>号机器人执行其分配任务的总运输时间,其中/>为机器人个数;(2)式为各机器人路径时长的标准差,优化以均衡所有机器人执行任务所用的时长;(3)式为最小化所有机器人任务执行的总能耗,其中/>为/>号机器人消耗的总能量;(4)式为决策变量,如果任务/>分配给机器人/>时/>,否则/>;(5)式为所有机器人任务时长的平均数,/>表示所有机器人执行其分配任务的总运输时间的平均数;(6)式表示/>号机器人搬运/>号任务货架至拣货台所花费的时间,由负载搬运时间/>、空载搬运时间/>和机器人在拣选台等待的固定时长/>组成,其中/>表示机器人负载时的速度,/>为机器人空载时的速度,/>表示/>号机器人搬运/>号任务货架至拣货台所花费的时间,/>表示机器人从/>号任务货架至拣选台的路径,/>表示机器人从拣选台至/>号任务货架的路径,/>表示/>号机器人此时所在位置与/>号任务的距离;(7)式为/>号机器人执行其分配任务的总运输时间,其中/>为号机器人此次任务的充电次数,/>为每个机器人的固定充电时长;(8)式为/>号机器人消耗的总能量,/>为机器人空载运输消耗能量,/>为机器人负载运输消耗能量,其中/>为机器人空载能量能耗系数,/>为机器人负载能量消耗系数,/>为/>号任务货架的重量;(9)式表示每个机器人任务消耗的能量需小于其剩余能量,其中/>表示/>号机器人的剩余能量;(10)式表示每个机器人分配的货物重量需小于其载重,/>表示/>号机器人的载重限制;(11)式限制每个任务只能分配给一个机器人,且任务需全部分配。
2、实时两阶段调度策略:
基于分层遗传蚁群算法的任务预分配:
将问题分为上下两层,分别用遗传算法和蚁群算法求解,在上层使用遗传算法计算要搜索的解空间,即确定每个移动机器人的任务点集。在下层的蚁群优化算法用于搜索每个解空间的最优解,即搜索每个机器人的最优任务路径。通过重复上下层操作,可以获得整个系统的最优解,实现多机器人多任务的合理分配。
基于上述定义,分层遗传蚁群算法任务预分配的步骤如下:
步骤1:参数输入:个需搬运任务货架的编号及对应坐标,/>个机器人的编号及其坐标,计算可得各任务点及机器人起始点距离矩阵。输入参数开始算法迭代计算。
步骤2:设置遗传算法迭代次数和种群数量。首先对任务集合进行自然数编码,编码长度为任务点个数,即;对分配给各机器人的任务集断点进行自然数编码,编码长度为机器人个数减1,即/>。例如有10个任务点(编号为4~13),3辆移动机器人(编号为1~3),任务集编码为11-4-8-12-10-6-9-13-5-7,任务集断点编码为3-8,解码后表示第1号机器人任务集为“11,4,8”,第2号机器人任务集为“12,10,6,9,13”,第3号机器人任务集为“5,7”。解码后可得到各机器人的任务点集合,初始随机生成一组任务集合。
步骤3:蚁群算法求解下层最优任务执行顺序,对每个机器人的任务集合使用下层的蚁群算法计算每组任务的最优顺序。首先给每一只蚂蚁生成一个路径表,将机器人起始点放入路径表起点,根据转移概率计算前往其他任务点的选择概率。在时刻,蚂蚁/>从任务点/>转移到任务点/>的概率为:
(12)
(13)
其中,为时刻/>任务点/>,/>间的信息素,/>为时刻/>任务点/>,/>间的启发式因子,/>,/>分别表示信息素和启发式因子的相对重要程度,/>即为任务点/>,/>间的距离,/>为存放所有任务点的禁忌表,/>为此机器人的任务集中点个数。
根据转移概率使用轮盘赌的方法从机器人的任务点集合中选取下一个要前往的任务点,重复蚂蚁转移操作,直至任务集中所有任务点均加入路径表。
计算所有蚂蚁路径表中路径长度,选取最短的路径存储,更新路径上的信息素:
(14)/>
(15)
其中,表示路径上信息素的蒸发系数,/>为常数,/>表示第/>只蚂蚁在本次周游中所经过的路径长度。
蚁群算法迭代至设置最大次数,得到每个机器人的最短任务集路径。
步骤4:遗传算法的适应度是判断个体好坏的重要标准,为留下较优的种群需要选择适应度较高的个体。适应度函数可由建立数学模型的目标函数映射得到,采用权重系数法对三个目标函数进行加权,适应度函数为
(16)
其中,、/>、/>均为常数,/>。各机器人执行任务的行驶距离已得出,依据数学模型中的式(6),根据设置的机器人负载速度/>、空载速度/>以及机器人在拣选台等待的固定时长/>可计算出机器人执行任务所用时间。依据式(8),根据设置的机器人空载能量消耗系数/>以及机器人负载能量消耗系数/>可得到机器人的能量消耗。
步骤5:采用锦标赛选择的方法。从当前种群中随机选择数量一定的个体,计算个体适应度,保留适应度最强的个体遗传给下一代种群。锦标赛选择出种群中消耗时间较短的精英个体作为父代,并保留其中断点基因。
采用顺序交叉方法。对任意一对父代A1、A2,从父代A1编码中任意位置选取一个片段,在子代B1相对应的位置进行插入,B1的其他位置编码从父代A2的编码中按顺序选取填充,子代 B2的编码获取方式同B1一致。对于本文任务分配问题,交叉即为交换总任务集中任务点在编码中的位置,任务集断点编码采用规则内随机生成的方式。
随机选取种群中的个体,对编码染色体任意两个位置进行交换操作,可以得到全新的染色体个体。对于机器人的任务分配问题,即随机交换两个机器人任务集中的任务点。
步骤6:重复流程步骤3至步骤5,直至达到设置的最大算法迭代次数,输出每个机器人的任务序列,得到每个机器人所要执行的任务集及执行任务的顺序,即得到了数学模型中式4中的决策变量。
基于拍卖算法的任务动态重分配
针对实际导航执行中出现的偏差以及动态异常情况,需要对机器人的任务进行实时调整。如果使用遗传算法这类启发式进化算法求解,迭代时间长、计算量大,将难以满足实时性需求。将拍卖算法引入多机器人的任务分配可以快速高效地建立映射关系,对任务分配进行实时动态优化。
如图4所示,本发明提出的重调度阶段主要目标为调节任务平衡,应对处理插单、退单等行为以及机器人故障或无能力执行任务等突发情况,针对这四种情形进行讨论分析。
情形一:调节任务平衡。受路径避让、拣选时间不固定、订单或机器人突发情况等影响,机器人的实际预计执行时间与预分配阶段设定的机器人执行路径时间存在偏差。导致最后各个机器人的任务执行时间不均衡,系统总时间也会随之增长。
拍卖算法的解决流程如下:
步骤1:根据实际场景需求设置阈值,即可容忍的最长总任务时长的机器人与最短总任务时长的机器人的任务时间差。在机器人执行各自的任务时,实时跟踪各个机器人任务执行的状态,计算其剩余任务的预计执行时长,即计算最长执行时长的机器人任务时长/>和最短执行时长的机器人任务时长/>的差值,当达到设定阈值时,将进入拍卖环节。
步骤2:拍卖者发出任务信息,机器人遍历除当前执行任务外的其他所有任务,每次取出一个,得到遍历任务后的/>个时间集,将自身的每个任务都取出拍卖。其中/>号机器人的剩余任务时长为/>,时长计算如数学模型中式(7),/>为最长执行时长的机器人任务时长,剩余任务个数为/>。
步骤3:竞拍者出价,其余个机器人将拍卖的任务插入自身任务序列,计算插入任意两个任务点之间之后的执行时长,取最小执行时长作为出价。/>个拍卖任务可以得到/>个出价,/>个机器人即可得到/>个时长集,即所有机器人的出价。
步骤4:取所有与机器人出价中价格最低者,即个时长集中的最小值的出价机器人作为拍得者,并得到任务插入自身任务序列的位置。
步骤5:为了拍卖的合理性,进行拍卖前后系统时长(最长总任务时长机器人的任务时长)比较。如果拍卖后总时长得到减少,拍卖成立,更新拍卖者和拍得者的任务序列,即两机器人按拍卖结果将拍卖的任务剔除和插入;否则拍卖不成立,机器人继续执行其原来任务集,动态跟踪机器人执行情况,动态变化达到阈值时再进入拍卖环节。
情形二:插单。插单即出现一个包含个任务多余订单需要插入到正在执行的任务序列中,/>个任务增加至/>,此时可以使用拍卖算法将插入的/>个任务逐个拍卖,如情形一中步骤(3)-(5)。所有机器人出价竞拍,出价最低者得到任务插入自身任务序列,直至所有任务被分配完毕,机器人更新任务集。
情形三:退单。客户订单的取消导致现执行任务的取消。退单即为将一个订单内的个任务全部取消,取消订单可将对应订单里的任务从机器人的任务队列中剔除。剔除后会对机器人的均衡性产生影响,被剔除订单任务的机器人的总任务时间会相应减少。此时更新剔除订单任务的机器人任务集/>为/>,判断是否达到平衡阈值。如果超过设定阈值,将进入拍卖环节,对任务进行平衡分配。如果未达到阈值,机器人继续执行各自任务集。
情形四:机器人故障或无能力执行剩余任务。此时可以将此机器人的剩余全部任务取出逐个拍卖,类似情形二中的插单情况处理,其余个机器人竞拍故障机器人的任务集,将故障机器人的任务分配给其余机器人。
本申请提出一种分层遗传蚁群算法进行求解,遗传算法可迭代出最短总体运输时间方案,同时蚁群算法迭代出了多机器人各自的最短任务路径,在优化总体运输时间的同时,对各机器人的路径也做了局部优化,最终可得到合理的分配方案。
图5A-图5B为分层遗传蚁群算法求解分配方案示意图,其中,图5A为任务点和机器人起始点分布图;图5B为分配方案路径图。
使用拍卖算法用于处理任务执行过程中的偏差和动态异常情况。当机器人在执行任务过程中遇到偏差或异常情况时,它可以选择将任务重新拍卖,从而吸引其他机器人参与执行。拍卖算法将任务分配给能够提供最佳执行方案的机器人,以实现实时动态优化。
图6A-图6C为实体多机器人系统导航执行任务示意图;其中,图6A为实体场景示意图;图6B为SLAM地图及录入的机器人与任务货架点示意图;图6C为rviz可视化工具下机器人实际导航运行可视化。
搭建基于ROS的多机器人系统,各机器人执行任务集路径。具体步骤如下:
步骤1:以计算分配方案所在电脑为主机,多机器人为从机构建基于ROS的多机器人系统。多移动机器人将主机设为ROS MASTER,通过roscore节点管理器可交互信息,为避免多机器人的雷达信息、同车型信息等节点话题名称相同引起多机系统冲突,以“robot1”、”robot2”、…、“robotn”为各机器人设立命名空间。
步骤2:基于ROS设立发送节点,将S3步骤中计算所得的各机器人任务集路径内任务点坐标定义为不同命名的数组消息类型,以话题形式发送至多机系统的节点管理器。
步骤3:各机器人订阅各自任务集路径消息,得到任务点排序及其坐标,计算消息中任务点个数,按其排序开始执行导航功能。
步骤4:首先打开ROS下的可视化工具rviz,加载构建好的仓库栅格地图,加载各机器人模型,启动各机器人底盘及雷达,启动配置好的ROS导航包功能。
步骤5:依次给定地图中所有机器人的初始位姿,给定完所有机器人初始位姿后所有机器人录入第一个任务点坐标,开始导航前往其第一个任务点。机器人前往任务点的导航首先使用ROS功能包move_base中的全局路径规划,由A*算法计算出两点之间的最短路线,在导航过程中遇到障碍物使用动态窗口法完成局部避障。
步骤6:达到第一个任务点后,使用amcl蒙特卡罗定位算法实现机器人位姿的定位,在确定机器人位姿后,在任务点停留固定时长,等待取货任务完成,然后前往列表中的下一个任务点。重复以上操作,直至所有任务点取货卸货任务完成,机器人停留在机器人起始点。等待下一批订单任务分配。
使用遗传算法分别求解多目标模型和总距离最短的单目标模型,多目标的目标函数权重系数根据实验分析设置为。其次使用分层GA-ACO算法求解多目标模型与遗传算法进行对比,以验证分层GA-ACO算法的优越性。
任务分配的具体实验数据对比结果如表1所示,比较了多目标模型的三个目标函数结果,以及GA算法和分层GA-ACO算法多目标加权后的数据结果。
表1 任务分配结果数据对比
由表1可知,以总距离最短的单目标模型虽然在能耗上有一些微小的优势,但各个机器人任务的均衡度差,为了路径的最优个别机器人承担了大部分任务。由于最大完工时间取决于执行任务时长最长的机器人,任务不均衡也导致最大完工时间远远超过多目标模型的计算结果。多目标模型大大缩小了最大完工时间,保证了机器人任务的均衡性,并保持了较优的能耗支出。并且本文提出的分层GA-ACO算法各项数据均少于传统GA算法,多目标加权结果减少了1.92%,任务分配使用多目标模型结合分层GA-ACO算法可以得到更优的分配结果。
上述实施例为本发明优选地实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种面向智能仓储多移动机器人实时两阶段调度方法,其特征在于,包括以下步骤:
S01:建立多个机器人任务分配约束模型;
S02:根据建立的模型使用分层蚁群遗传算法进行预分配求解,得到各个机器人的任务执行序列;
S03:使用拍卖算法进行任务动态重分配,调节任务平衡。
2.根据权利要求1所述的面向智能仓储多移动机器人实时两阶段调度方法,其特征在于,所述步骤S01中建立的任务分配约束模型为以最小完工时间、均衡机器人路径时间、最小化总能耗的多目标模型。
3.根据权利要求2所述的面向智能仓储多移动机器人实时两阶段调度方法,其特征在于,所述任务分配约束模型为:
目标函数:
,
,
,
其中,为最小化执行完所有任务的系统耗时,即耗时最长的机器人所用时长,其中/>为/>号机器人执行其分配任务的总运输时间,其中/>为机器人个数;/>为各机器人路径时长的标准差,优化以均衡所有机器人执行任务所用的时长;/>为最小化所有机器人任务执行的总能耗,其中/>为/>号机器人消耗的总能量;
约束条件:
,
,
,
,
,
,
,
,
其中,为决策变量,如果任务/>分配给机器人/>时/>,否则/>;/>表示所有机器人执行其分配任务的总运输时间的平均数;/>表示/>号机器人搬运/>号任务货架至拣货台所花费的时间,由负载搬运时间/>、空载搬运时间/>和机器人在拣选台等待的固定时长/>组成,其中/>表示机器人负载时的速度,/>为机器人空载时的速度,/>表示机器人从/>号任务货架至拣选台的路径,/>为任务总数,/>表示机器人从拣选台至/>号任务货架的路径,/>表示/>号机器人此时所在位置与/>号任务的距离;/>为/>号机器人此次任务的充电次数,/>为每个机器人的固定充电时长;/>为/>号机器人消耗的总能量,/>为机器人空载运输消耗能量,/>为机器人负载运输消耗能量,其中/>为机器人空载能量能耗系数,/>为机器人负载能量消耗系数,/>为/>号任务货架的重量;/>表示/>号机器人的剩余能量;/>表示/>号机器人的载重限制。
4.根据权利要求1所述的面向智能仓储多移动机器人实时两阶段调度方法,其特征在于,所述步骤S02中使用分层蚁群遗传算法进行预分配求解,包括:
将预分配问题分为上下两层,分别用遗传算法和蚁群算法求解,在上层使用遗传算法计算要搜索的解空间,即确定每个移动机器人的任务点集;
在下层的蚁群优化算法用于搜索每个解空间的最优解,即搜索每个机器人的最优任务路径,通过重复上下层操作,获得整个系统的最优解,实现多机器人多任务的预分配。
5.根据权利要求1所述的面向智能仓储多移动机器人实时两阶段调度方法,其特征在于,所述步骤S02中得到各个机器人的任务执行序列的方法包括:
S21:输入个需搬运任务的编号及对应坐标,/>个机器人的编号及其坐标,计算得到各任务点及机器人起始点距离矩阵,开始算法迭代计算;
S22:设置遗传算法迭代次数和种群数量,对任务集合进行自然数编码,编码长度为任务点个数,即;对分配给各机器人的任务集断点进行自然数编码,编码长度为机器人个数减1,即/>,解码后得到各机器人的任务点集合,初始随机生成一组任务集合;
S23:对每个机器人的任务集合使用下层的蚁群算法计算每组任务的最优顺序,首先给每一只蚂蚁生成一个路径表,将机器人起始点放入路径表起点,根据转移概率计算前往其他任务点的选择概率,在时刻,蚂蚁/>从任务点/>转移到任务点/>的概率为:
,
,
其中,为时刻/>任务点/>,/>间的信息素,/>为时刻/>任务点/>,/>间的启发式因子,/>,/>分别表示信息素和启发式因子的相对重要程度,/>即为任务点/>,/>间的距离,/>为存放所有任务点的禁忌表,/>为此机器人的任务集中点个数;
根据转移概率使用轮盘赌的方法从机器人的任务点集合中选取下一个要前往的任务点,重复蚂蚁转移操作,直至任务集中所有任务点均加入路径表;
计算所有蚂蚁路径表中路径长度,选取最短的路径存储,更新路径上的信息素:
,
,
其中,表示路径上信息素的蒸发系数,/>为常数,/>表示第/>只蚂蚁在本次周游中所经过的路径长度;
蚁群算法迭代至设置最大次数,得到每个机器人的最短任务集路径;
S24:遗传算法的适应度函数由建立数学模型的目标函数映射得到,采用权重系数法对三个目标函数进行加权,适应度函数为:
,
其中,、/>、/>均为常数,/>,计算得到机器人执行任务所用时间,机器人的能量消耗;
S25:从当前种群中随机选择数量一定的个体,计算个体适应度,保留适应度最强的个体遗传给下一代种群,锦标赛选择出种群中消耗时间较短的精英个体作为父代,并保留其中断点基因;
采用顺序交叉方法,对任意一对父代A1、A2,从父代A1编码中任意位置选取一个片段,在子代B1相对应的位置进行插入,B1的其他位置编码从父代A2的编码中按顺序选取填充,子代B2的编码获取方式同B1一致,对于任务分配问题,交叉即为交换总任务集中任务点在编码中的位置,任务集断点编码采用规则内随机生成的方式;
随机选取种群中的个体,对编码染色体任意两个位置进行交换操作,得到全新的染色体个体,对于机器人的任务分配问题,即随机交换两个机器人任务集中的任务点;
S26:重复步骤S23至步骤S25,直至达到设置的最大算法迭代次数,输出每个机器人的任务序列,得到每个机器人所要执行的任务集及执行任务的顺序,即得到决策变量。
6.根据权利要求1所述的面向智能仓储多移动机器人实时两阶段调度方法,其特征在于,所述步骤S03调节任务平衡的方法包括:
S31:在机器人执行各自的任务时,实时跟踪各个机器人任务执行的状态,计算其剩余任务的预计执行时长,即计算最长执行时长的机器人任务时长和最短执行时长的机器人任务时长的差值,当达到设定阈值时,将进入拍卖环节;
S32:拍卖者发出任务信息,最长执行时长的机器人任务时长的机器人遍历除当前执行任务外的其他所有任务,每次取出一个,得到遍历任务后的个时间集,将自身的每个任务都取出拍卖;其中/>为剩余任务个数;
S33:竞拍者出价,其余个机器人将拍卖的任务插入自身任务序列,计算插入任意两个任务点之间之后的执行时长,取最小执行时长作为出价,/>个拍卖任务得到个出价,/>个机器人即得到/>个时长集;
S34:将个时长集中的出价最小值的机器人作为拍得者,并得到任务插入自身任务序列的位置;
S35:对拍卖前后的最长总任务时长机器人的任务时长进行比较,如果拍卖后最长总任务时长机器人的任务时长小,拍卖成立,更新拍卖者和拍得者的任务序列;否则拍卖不成立,机器人继续执行其原来任务集,动态跟踪机器人执行情况,动态变化达到阈值时再进入拍卖环节。
7.根据权利要求6所述的面向智能仓储多移动机器人实时两阶段调度方法,其特征在于,所述步骤S03中还包括:
当包含个任务多余订单需要插入到正在执行的任务序列中,/>个任务增加至/>,使用拍卖算法将插入的/>个任务逐个拍卖,执行步骤S33-S35,所有机器人出价竞拍,出价最低者得到任务插入自身任务序列,直至所有任务被分配完毕,机器人更新任务集;
当机器人故障或无能力执行剩余任务,将此机器人的剩余全部任务取出逐个拍卖,其余个机器人竞拍故障机器人的任务集,将故障机器人的任务分配给其余机器人。
8.根据权利要求6所述的面向智能仓储多移动机器人实时两阶段调度方法,其特征在于,所述步骤S03还包括:
当取消订单时,将对应订单里的个任务从机器人的任务队列中剔除,更新剔除订单任务的机器人任务集/>为/>,判断是否达到设定阈值,如果超过设定阈值,进入拍卖环节,对任务进行平衡分配;如果未达到阈值,机器人继续执行各自任务集。
9.一种面向智能仓储多移动机器人实时两阶段调度系统,其特征在于,包括:
任务分配模型构建模块,建立多个机器人任务分配约束模型;
静态预分配模块,根据建立的模型使用分层蚁群遗传算法进行预分配求解,得到各个机器人的任务执行序列;
动态重规划模块,使用拍卖算法进行任务动态重分配,调节任务平衡。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行时实现权利要求1-8任一项所述的面向智能仓储多移动机器人实时两阶段调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410117249.4A CN117669992B (zh) | 2024-01-29 | 2024-01-29 | 面向智能仓储多移动机器人实时两阶段调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410117249.4A CN117669992B (zh) | 2024-01-29 | 2024-01-29 | 面向智能仓储多移动机器人实时两阶段调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117669992A true CN117669992A (zh) | 2024-03-08 |
CN117669992B CN117669992B (zh) | 2024-05-14 |
Family
ID=90066397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410117249.4A Active CN117669992B (zh) | 2024-01-29 | 2024-01-29 | 面向智能仓储多移动机器人实时两阶段调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117669992B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118092361A (zh) * | 2024-04-17 | 2024-05-28 | 哈尔滨工业大学(威海) | 一种面向织材行业的异构多机器人任务调度方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084512A (zh) * | 2019-04-26 | 2019-08-02 | 河海大学常州校区 | 一种面向智能仓储系统的多机器人任务分配方法 |
CN110807236A (zh) * | 2018-08-03 | 2020-02-18 | 深圳先进技术研究院 | 一种基于多机器人的仓储物流仿真系统 |
CN113009934A (zh) * | 2021-03-24 | 2021-06-22 | 西北工业大学 | 一种基于改进粒子群算法的多无人机任务动态分配方法 |
CN113536689A (zh) * | 2021-07-26 | 2021-10-22 | 南京邮电大学 | 基于混合遗传智能算法的多无人机任务分配执行控制方法 |
-
2024
- 2024-01-29 CN CN202410117249.4A patent/CN117669992B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807236A (zh) * | 2018-08-03 | 2020-02-18 | 深圳先进技术研究院 | 一种基于多机器人的仓储物流仿真系统 |
CN110084512A (zh) * | 2019-04-26 | 2019-08-02 | 河海大学常州校区 | 一种面向智能仓储系统的多机器人任务分配方法 |
CN113009934A (zh) * | 2021-03-24 | 2021-06-22 | 西北工业大学 | 一种基于改进粒子群算法的多无人机任务动态分配方法 |
CN113536689A (zh) * | 2021-07-26 | 2021-10-22 | 南京邮电大学 | 基于混合遗传智能算法的多无人机任务分配执行控制方法 |
Non-Patent Citations (3)
Title |
---|
LI JUNTAO: "Research on task allocation in multiple logistics robots based on an improved ant colony algorithm", 2016 INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION ENGINEERING (ICRAE), 10 November 2016 (2016-11-10) * |
梁金琳 等: "基于蚁群-遗传融合框架的仓储群机器人任务分配", 《计算机系统应用》, vol. 30, no. 11, 22 October 2021 (2021-10-22) * |
郭宇: "基于拍卖的智能仓库系统多机器人任务分配 方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2012 (2012-02-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118092361A (zh) * | 2024-04-17 | 2024-05-28 | 哈尔滨工业大学(威海) | 一种面向织材行业的异构多机器人任务调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117669992B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632907B (zh) | 一种分布式装配式置换流水车间调度优化方法及系统 | |
Lee et al. | Two-stage storage assignment to minimize travel time and congestion for warehouse order picking operations | |
CN110264062B (zh) | 分布式多agv动态任务分配及其路径规划方法与系统 | |
Burnwal et al. | Scheduling optimization of flexible manufacturing system using cuckoo search-based approach | |
CN117669992B (zh) | 面向智能仓储多移动机器人实时两阶段调度方法及系统 | |
US11829887B2 (en) | Progressive objective addition in multi-objective heuristic systems and methods | |
CN109658027A (zh) | 一种订单任务的处理方法、装置、服务器和介质 | |
US20180082198A1 (en) | Systems and Methods for Multi-Objective Optimizations with Decision Variable Perturbations | |
US10311358B2 (en) | Systems and methods for multi-objective evolutionary algorithms with category discovery | |
CN108846623A (zh) | 基于多目标蚁群算法的整车物流调度方法及装置、存储介质、终端 | |
CN112685138B (zh) | 云环境下基于多种群混合智能优化的多工作流调度方法 | |
CN109345091A (zh) | 基于蚁群算法的整车物流调度方法及装置、存储介质、终端 | |
CN109214756A (zh) | 基于蚁群算法和分层优化的整车物流调度方法及装置、存储介质、终端 | |
CN113359702B (zh) | 一种基于水波优化-禁忌搜索的智能仓库agv作业优化调度方法 | |
CN104077634B (zh) | 基于多目标优化的主动‑反应式动态项目调度方法 | |
CN113044458A (zh) | 一种物流机器人动态任务分配方法及系统 | |
CN117077981B (zh) | 融合邻域搜索变异和差分进化的停机位分配方法及装置 | |
CN109523178A (zh) | 一种面向电力通信现场的运维方法及装置 | |
Lee et al. | Winner determination problem in multiple automated guided vehicle considering cost and flexibility | |
CN115730799A (zh) | 一种柔性装配作业车间生产任务调度方法、系统及设备 | |
CN110942251A (zh) | 一种基于联合蚁群算法的批调度方法 | |
CN117389300A (zh) | 一种城市战争无人机编队侦察任务分配方法 | |
CN113706081A (zh) | 基于城市屋顶自动快递装置的无人机取送货系统和方法 | |
Zhao et al. | Order picking optimization in smart warehouses with human-robot collaboration | |
Chutima et al. | Adaptive biogeography-based optimisation for two-sided mixed-model assembly line sequencing problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |